論文の概要: Accelerating scientific discovery with the common task framework

• arxiv url: http://arxiv.org/abs/2511.04001v1
• Date: Thu, 06 Nov 2025 02:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.282314
• Title: Accelerating scientific discovery with the common task framework
• Title（参考訳）: 共通課題枠組みによる科学的発見の加速
• Authors: J. Nathan Kutz, Peter Battaglia, Michael Brenner, Kevin Carlberg, Aric Hagberg, Shirley Ho, Stephan Hoyer, Henning Lange, Hod Lipson, Michael W. Mahoney, Frank Noe, Max Welling, Laure Zanna, Francis Zhu, Steven L. Brunton,
• Abstract要約: 機械学習(ML)と人工知能(AI)アルゴリズムは、工学、物理、生物学における動的システムの特性と制御を変換している。 これらの新しいモデリングパラダイムは、様々な科学的目的を評価するために比較指標を必要とする。 科学と工学のための共通タスクフレームワーク(CTF)を導入する。
• 参考スコア（独自算出の注目度）: 48.92654976046941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) and artificial intelligence (AI) algorithms are transforming and empowering the characterization and control of dynamic systems in the engineering, physical, and biological sciences. These emerging modeling paradigms require comparative metrics to evaluate a diverse set of scientific objectives, including forecasting, state reconstruction, generalization, and control, while also considering limited data scenarios and noisy measurements. We introduce a common task framework (CTF) for science and engineering, which features a growing collection of challenge data sets with a diverse set of practical and common objectives. The CTF is a critically enabling technology that has contributed to the rapid advance of ML/AI algorithms in traditional applications such as speech recognition, language processing, and computer vision. There is a critical need for the objective metrics of a CTF to compare the diverse algorithms being rapidly developed and deployed in practice today across science and engineering.
• Abstract（参考訳）: 機械学習(ML)と人工知能(AI)アルゴリズムは、工学、物理、生物学における動的システムの特徴づけと制御を変換し、強化している。 これらの新しいモデリングパラダイムは、予測、状態再構成、一般化、制御を含む様々な科学的目的を評価するために比較指標を必要とし、一方、限られたデータシナリオやノイズの測定も考慮する必要がある。 科学と工学のための共通タスクフレームワーク (CTF) を導入し, 多様な実践的, 共通の目的を持った課題データセットの収集を特徴とする。 CTFは、音声認識、言語処理、コンピュータビジョンといった従来のアプリケーションにおけるML/AIアルゴリズムの急速な進歩に寄与する重要な技術である。 CTFの客観的なメトリクスは、今日の科学と工学の分野において、急速に開発され、実際にデプロイされているさまざまなアルゴリズムを比較するために、極めて必要である。

関連論文リスト

• Generative AI and Empirical Software Engineering: A Paradigm Shift [9.284024538100063]
  本稿では,大規模言語モデルのソフトウェア工学への統合が,確立した研究パラダイムをいかに破壊するかを考察する。 我々は、我々が研究している現象、我々が依存する方法や理論、分析するデータ、そして、動的AIを介する環境で発生する妥当性に対する脅威をどう変えるかについて議論する。 私たちの目標は、経験豊かなソフトウェアエンジニアリングコミュニティが、AIシステムが単なるツールではなく、ソフトウェアエンジニアリングとその研究を形作る活発な協力者の未来に、その質問や道具、検証基準を適合させることです。
  論文  参考訳（メタデータ） (2025-02-12T04:13:07Z)
• Deep Learning Models for Physical Layer Communications [3.1727619150610837]
  この論文は、新しいディープラーニングパラダイムを活用する物理層通信におけるいくつかの基本的なオープンな課題を解決することを目的としている。 我々は、ML用語の下で、チャネルキャパシティや最適な符号化復号方式といった古典的な問題を数学的に定式化する。 私たちは、同等のディープラーニングモデルをトレーニングするために必要なアーキテクチャ、アルゴリズム、コードを設計し、開発します。
  論文  参考訳（メタデータ） (2025-02-07T13:03:36Z)
• Deep Learning and Machine Learning -- Object Detection and Semantic Segmentation: From Theory to Applications [17.571124565519263]
  オブジェクト検出とセマンティックセグメンテーションの詳細な探索を行う。 機械学習とディープラーニングの最先端を概観する。 ビッグデータ処理の解析について述べる。
  論文  参考訳（メタデータ） (2024-10-21T02:10:49Z)
• EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
  機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。 本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
  論文  参考訳（メタデータ） (2024-03-27T02:24:38Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Learning with Limited Samples -- Meta-Learning and Applications to Communication Systems [46.760568562468606]
  メタ学習は、新しいタスクに迅速に適応できる学習アルゴリズムを最適化する。 このレビュー・モノグラフは、原則、アルゴリズム、理論、工学的応用をカバーし、メタラーニングの紹介を提供する。
  論文  参考訳（メタデータ） (2022-10-03T17:15:36Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
  現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。 タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。 実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T20:15:34Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。